- 用 3DGS 照亮每个黑暗：快速训练和实时渲染用于 HDR 视图合成
LE3D 通过引入三维高斯散射、锥形散射初始化、颜色 MLP 和深度失真及近远程规范化方法，实现了基于体积渲染的实时新视角合成、HDR 渲染、重点调整和色调映射，同时降低了训练时间和提高了渲染速度。
- 四面体贴片用于 3D 生成
Tetrahedron Splatting (TeT-Splatting) is a novel 3D representation that achieves easy convergence during optimization, p - FaceFolds: 面部曲折：用于动态人脸有效体积渲染的网格辐射流形
我们提出了一种新颖的表示方法，可以在演员的动态面部表现中实现高质量的体渲染，同时具有较小的计算和内存占用，能够以最佳的质量和效率进行权衡。我们的方法利用了神经渲染的最新进展，在模型体积效果时通过学习离散辐射流形进行场景稀疏采样。我们通过学习 - 3DGSR：基于 3D 高斯扩展通过隐式表面重建
该研究论文介绍了一种包括隐式曲面重建、三维高斯光照插值以及体积渲染等方法组合的 3D 曲面重建技术，实现了高质量的三维曲面重建并保持了高效率和渲染质量。
- CVPRNECA：神经可定制人形化身
NECA 是一种能够从单目或稀疏视点视频中学习多用途的人体表示的方法，能够通过体积渲染从几何、色素、阴影和外部光照等分离的神经场预测来获得具有高频细节的逼真渲染，并在光照方面具有超越最先进方法的优势。
- WaterHE-NeRF：水下场景重构的水 - 射线追踪神经辐射场
本研究提出了 WaterHE-NeRF，通过水下光线传输与 Retinex 理论相结合，在三维空间中准确编码颜色、密度和光亮衰减，生成模糊和清晰的多视角图像，并通过组合重建损失和 Wasserstein 距离进行图像恢复优化，同时使用直方图 - LightSpeed：移动设备上轻量快速的神经光场
在移动设备上实时进行新视角图像合成由于有限的计算能力和存储而受到限制。体积渲染方法（如 NeRF 及其衍生方法）在移动设备上使用不适宜，因为其计算成本高。然而，神经光场表示方法的最新进展在移动设备上展示了有希望的实时视角合成结果。我们发现使 - 通用单次神经头像模拟
该研究提出了一种通过对单视角幅面图像进行重建和动画化的三维头像，通过三个三角面分别捕捉源图像的粗略三维几何，详细外观以及目标图像的表情实现，再通过超分辨率模块的渲染进行填充并通过单向传递网络的高效性进行动画。实验表明，该方法在重建和动画方面 - 散射介质中的神经辐射场
本论文研究基于神经辐射场（NeRFs）的新视点生成，提出一种在散射介质中渲染 NeRFs 的新模型，能够正确地渲染水下场景的全新感知图像，并去除介质对场景的影响。
- 光子场网络用于动态实时体积全局照明
本篇论文提出了一种名为 Photon Fields Networks 的新方法，能够实现基于体数据的全局实时光照。该方法基于神经网络，通过预先计算的多相位光子缓存进行训练，取得了优异的表现，并能够在大型数据集上实现交互式渲染。
- CVPRABLE-NeRF：基于可学习嵌入的关注力渲染神经辐射场
本文提出了一种新的基于自我注意力和可学习嵌入的 3D 场景渲染方法，称为 ABLE-NeRF，以改善之前 NeRF 方法在光泽和半透明表面表现较差的问题，并在渲染结果上获得了比之前先进的结果。
- NerfAcc: 一个通用的 NeRF 加速工具箱
NerfAcc 是一种用于快速体积渲染辐射场的工具箱，支持动态场景和不可限制场景，并且具有用户友好的 Python API，适用于大部分 NeRFs 进行即插即用的加速。
- CVPRMobileNeRF：利用多边形光栅化管道在移动架构上高效渲染神经场
本文介绍了一种基于纹理多边形的新型 NeRF 表示方法，能够高效地使用标准渲染管道合成新图像，这种方法允许使用传统的多边形光栅化方法对 NeRF 进行渲染，从而在各种计算平台上实现交互式帧速率。
- NeRF 注意力机制的端到端视图合成
本文提出了一种基于 NeRFA 的 seq2seq 形式，用于视图合成，在四个数据集上优于 NeRF 和 NerFormer，并在单场景视角合成和类别中心的新视图合成两个方面取得了最新技术成果。
- 从少量图像中学习具有泛化能力的光场网络
本文探讨了一种基于神经光场表示的少样本新视角合成策略，其使用了隐式神经网络将光线映射到目标像素的颜色，且通过由由粗略体积渲染产生的本地光线特征来确定网络的条件。该方法使用 3D ConvNet 构建的输入图像的 3D 特征体积，实现了比现有 - EpiGRAF: 重新思考 3D GANs 的训练
本文介绍了一种名为 EpiGRAF 的高分辨率，高保真纯 3D 图像生成模型，旨在解决通过训练 2D 解码器进行高清分辨率图像生成的问题，该模型通过基于 patches 的不同比例和空间位置的位置和比例感知辨别器以及基于淬火 Beta 分布 - 从影子中学习神经表征
该研究提出一种基于神经投影场的方法，利用阴影来学习场景的神经表示，实现了用稀疏图像信号估计几何信息的目的，并且证明了该方法的泛化能力，并且在与 NeRF 等其他方法的比较中体现出更好的性能。
- CVPR可玩环境：时空视频处理
该研究提出了一种新的交互视频生成和操作方法 ——Playable Environments，该方法包括无监督学习、神经辐射场和体积渲染等技术，可以通过提供操作序列，控制相机视角和增强视频外观等手段，生成可玩的三维视频。
- 神经点光场
采用神经隐式点光场方法实现体积渲染，通过几百个样本进行射线投射，通过点云实现大场景动态渲染视频，与现有的方法相比，新方法的视角预测能力更强。
- 深度监督下的 NeRF：更少的视角和更快的训练
通过引入深度监督机制，结合 SFM（结构光运动）得到的 “自由” 深度监督信息，在学习 Radiance Fields 的过程中对射线的结束点进行分布的损失函数，并且证明这种监督方式简单有效，可以使得渲染图像更加精准，支持其它类型的深度监督